神经网络做MNIST手写数字识别代码

神经网络做MNIST手写数字识别代码"/>

神经网络做MNIST手写数字识别代码

1.MNIST数据集

MNIST数据集是由0 到9 的手写数字图像构成的。训练图像有6 万张，测试图像有1 万张每一张图片都有对应的标签数字。因此这个测试集就可以作为验证集使用。

MNIST的图像，每张图片是包含28 像素× 28 像素的灰度图像（1 通道），各个像素的取值在0 到255 之间。每张图片都由一个28 ×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784）。

详细介绍参考：/

2.用神经网络做MNIST手写数字识别

模型结构：

模型如图所示，输入二维张量展开成一维。再经过若干次组合的，Linear层和激活函数层，最后返回。
在模型使用时，后面接到交叉熵损失函数上。所以模型的最后一层不做激活。因为本身交叉熵损失函数带有激活功能。

3.代码实现（python+pytorch）

分四个步骤：
第一步：数据集准备和加载；第二步：设计模型；第三步：构建损失函数和优化器；第四步：模型的训练和验证

因pytorc中封装了很多模块。所以我们在实现时，更多的是了解各个模块的功能，以便组合使用。

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.optim as optim
import torch.nn.functional as F
import matplotlib.pyplot as pltbatch_size = 64transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307),(0.3081)) #两个参数，平均值和标准差])train_dataset = datasets.MNIST(root="../dataset/mnist/",train= True,download= True,transform= transform
)train_loader = DataLoader(train_dataset,shuffle = True,batch_size = batch_size)test_dataset = datasets.MNIST(root="../dataset/mnist/",train=False,download=True,transform=transform
)test_loder = DataLoader(test_dataset,shuffle = True,batch_size = batch_size)class Net(torch.nn.Module):def __init__(self):super(Net,self).__init__()self.linear1 = torch.nn.Linear(784,512)self.linear2 = torch.nn.Linear(512,256)self.linear3 = torch.nn.Linear(256,128)self.linear4 = torch.nn.Linear(128,64)self.linear5 = torch.nn.Linear(64,10)def forward(self,x):x = x.view(-1,784) # 改变张量形状。把输入展开成若干行，784列x = F.leaky_relu(self.linear1(x))x = F.leaky_relu(self.linear2(x))x = F.leaky_relu(self.linear3(x))x = F.leaky_relu(self.linear4(x))return self.linear5(x<